論文の概要: TokenRepel: Generating Diverse Image Sets Without Compromising Quality
- arxiv url: http://arxiv.org/abs/2610.39913v2
- Date: Wed, 04 Nov 2026 14:36:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.591427
- Title: TokenRepel: Generating Diverse Image Sets Without Compromising Quality
- Title（参考訳）: TokenRepel:品質を損なうことなく、さまざまな画像セットを生成する
- Abstract要約: テキスト・ツー・イメージ・モデルにより生成された画像集合の視覚的多様性を高める推論時アプローチを提案する。
提案手法は,事前学習されたモデルにおける隠れ表現の内在的幾何を利用して,同じプロンプトから生成された画像を多様化する。
実験では、同じプロンプトの下では視覚の多様性が著しく向上し、画像の忠実度は同等である。
- 参考スコア（独自算出の注目度）: 55.454311858725106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present an inference-time approach that enhances the visual diversity of image sets generated by text-to-image models, without compromising the average image quality. Our method leverages the intrinsic geometry of hidden representations in pretrained models to diversify images generated from the same prompt. First, we introduce a token repulsion mechanism that increases the angle between feature tokens across samples. It takes a negative Riemannian gradient step on a von Mises-Fisher mixture distribution of tokens on the unit hypersphere. Second, to preserve the quality of each output image, we propose a token density preservation mechanism that projects the repulsion-induced prediction change onto a half-space aligned with the model's score direction. This encourages the updates to remain within the high-density regions learned by the generative model. We further extend this mechanism to the output of each intermediate layer, enabling finer-grained iterative guidance. We evaluate our method on three types of pretrained text-to-image models. Experiments show substantial gains in visual diversity under identical prompts, while maintaining a comparable level of image fidelity.
- Abstract（参考訳）: 本稿では,平均画像品質を損なうことなく,テキスト・ツー・イメージ・モデルによって生成された画像集合の視覚的多様性を高める推論時間アプローチを提案する。
提案手法は,事前学習されたモデルにおける隠れ表現の内在的幾何を利用して,同じプロンプトから生成された画像を多様化する。
まず,サンプル間の特徴トークン間の角度を増大させるトークン反発機構を導入する。
単位超球面上のトークンのvon Mises-Fisher混合分布の負のリーマン勾配ステップを取る。
第二に、各出力画像の品質を維持するために、反発誘起予測変化をモデルのスコア方向に沿った半空間に投影するトークン密度保存機構を提案する。
これにより、更新は生成モデルによって学習された高密度領域に留まることを奨励する。
さらに、このメカニズムを各中間層の出力に拡張し、よりきめ細かい反復誘導を可能にする。
本手法は,事前学習した3種類のテキスト・ツー・イメージ・モデルを用いて評価する。
実験では、同じプロンプトの下では視覚の多様性が著しく向上し、画像の忠実度は同等である。
関連論文リスト
- Don't Settle at the Mode! Mitigating Diversity Collapse in Pretrained Flow Models via Feature Self-Guidance [26.478519452337434]
最先端のフローモデルは、テキストや画像プロンプトから素晴らしい画像を生成する。
同じ条件下で複数のサンプルを生成すると、多様性が崩壊する。
我々は,報酬モデルの追加を必要とせず,多様性の崩壊を緩和する,効率的でトレーニング不要な自己指導機構を導入する。
論文 参考訳（メタデータ） (2026-06-25T17:59:47Z) - Detecting Generated Images by Fitting Natural Image Distributions [75.31113784234877]
本稿では,自然画像と生成画像のデータ多様体間の幾何学的差異を利用した新しいフレームワークを提案する。
自然画像に対して一貫した出力を出力するために設計された関数対を用いるが、生成した関数に対しては発散出力を用いる。
データ多様体に沿った変換が、自然画像上で事前訓練された自己教師付きモデルの損失値に有意な変化をもたらす場合、画像は生成されたものとして識別される。
論文 参考訳（メタデータ） (2025-11-03T07:20:38Z) - D2C: Unlocking the Potential of Continuous Autoregressive Image Generation with Discrete Tokens [80.75893450536577]
モデル生成能力を向上させる新しい2段階法であるD2Cを提案する。
第1段階では、小さな離散値発生器を用いて粗粒度画像特徴を表す離散値トークンをサンプリングする。
第2段階では、離散トークンシーケンスに基づいて、きめ細かい画像特徴を表す連続値トークンを学習する。
論文 参考訳（メタデータ） (2025-03-21T13:58:49Z) - Glauber Generative Model: Discrete Diffusion Models via Binary Classification [21.816933208895843]
離散拡散モデルの新しいクラスであるグラウバー生成モデル(GGM)を紹介する。
GGMはマルコフ連鎖を展開させ、離散トークンの共分散からサンプルにノイズトークンの列を分解する。
言語生成や画像生成において,既存の離散拡散モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2024-05-27T10:42:13Z) - OneActor: Consistent Character Generation via Cluster-Conditioned Guidance [29.426558840522734]
我々はOneActorと呼ばれる新しいワンショットチューニングパラダイムを提案する。
プロンプトのみによって駆動される一貫した主題生成を効率よく行う。
提案手法は多目的生成が可能であり, 一般的な拡散拡張と互換性がある。
論文 参考訳（メタデータ） (2024-04-16T03:45:45Z) - Enhancing Semantic Fidelity in Text-to-Image Synthesis: Attention
Regulation in Diffusion Models [23.786473791344395]
拡散モデルにおけるクロスアテンション層は、生成プロセス中に特定のトークンに不均等に集中する傾向がある。
本研究では,アテンションマップと入力テキストプロンプトを一致させるために,アテンション・レギュレーション(アテンション・レギュレーション)という,オン・ザ・フライの最適化手法を導入する。
実験結果から,本手法が他のベースラインより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2024-03-11T02:18:27Z) - Cross-Image Attention for Zero-Shot Appearance Transfer [68.43651329067393]
画像間の意味的対応を暗黙的に確立するクロスイメージアテンション機構を導入する。
ノイズの多い潜在コードを操作する3つのメカニズムと、デノナイジングプロセスを通してモデルの内部表現を利用する。
実験により,本手法は多種多様な対象カテゴリに対して有効であり,形状,大きさ,視点の変動に頑健であることが示された。
論文 参考訳（メタデータ） (2023-11-06T18:33:24Z) - Real-World Image Variation by Aligning Diffusion Inversion Chain [53.772004619296794]
生成した画像と実世界の画像の間にはドメインギャップがあり、これは実世界の画像の高品質なバリエーションを生成する上での課題である。
実世界画像のアライメントによる変化(RIVAL)と呼ばれる新しい推論パイプラインを提案する。
我々のパイプラインは、画像生成プロセスとソース画像の反転チェーンを整列させることにより、画像の変動の生成品質を向上させる。
論文 参考訳（メタデータ） (2023-05-30T04:09:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。